LazFormer: Scaling Transformers for Industrial Recommendation via Transferable Generative Pre-training¶

复现级别：公开数据核心机制。 私有日志、生产 checkpoint 与 serving 栈均未复刻。

论文信息¶

字段	内容
论文链接	arXiv v1
公司/机构	Alibaba International Digital Commerce Group（第一作者署名单位）
首次公开日期	2026-09-14（arXiv v1）
原文开源代码	否：截至 2026-09-16 未找到原作者公开仓库
Adapter	`lazformer`
本地复现代码	`src/auto_research/reproductions/lazformer/`

原始论文总结¶

背景与主要改动¶

先做可迁移生成式预训练，再用 ranking residual adapter、近密远疏 token 与 hybrid sparse attention 适配排序；两周 A/B 报告 IPV +5.21%、GMV +9.85%。

flowchart LR
  H[公开历史序列] --> M[lazformer 核心机制]
  M --> R[统一候选打分]
  R --> E[同切分离线评测]

原论文关键图¶

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式¶

本地实现把论文的核心机制约束为确定性候选打分：GESE 显式组合 relevance、集合多样性、faithfulness 与上下文 selector；LazFormer 分离可迁移预训练映射和 ranking residual adapter，并只在 validation 选择融合系数。

论文离线与线上效果¶

论文线上结论来自正文生产 A/B；本地只报告同一公开候选集和切分上的离线指标，不把二者混为同一种提升。

本地复现¶

线上与本地结果¶

线上数字来自论文正文 A/B，不与本地 MovieLens 结果混写。本地 seeds 42/43/44 见 metrics/movielens-100k-seeds42-44.json。首个 seed 的统一 NDCG@10 基线为 0.05401，实验组为 0.05048，相对变化 -6.53%。

本地对照口径：同一公开候选集、同一切分下，基线 NDCG@10=0.05401，实验组 NDCG@10=0.05048，相对变化 -6.53%。

复现边界¶

本地只验证公开数据上的核心状态转换；未复刻私有训练数据、大模型生成器、生产流量反馈或在线服务。当前不映射 evolve，避免 registry-only 标签。